通过模型偏好学习整合基于模式与基于事实的假新闻检测
计算与语言
2021-09-24 v1 社会与信息网络
摘要
为防范假新闻，研究者已开发出多种基于文本的方法。这些方法可分为两类：1）基于模式的方法，关注假新闻帖子间的共享模式而非声明本身；2）基于事实的方法，从外部来源检索以验证声明真实性而不考虑模式。这两类方法对文本线索有不同偏好，实际上在假新闻检测中起到互补作用。然而，鲜有工作考虑它们的整合。本文研究通过建模基于模式与基于事实模型的偏好差异，将二者整合入统一框架的问题，即让基于模式和基于事实的模型聚焦于帖子中各自偏好的部分，并尽可能减轻非偏好部分的干扰。为此，我们构建了偏好感知假新闻检测框架（Pref-FEND），学习基于模式和基于事实模型的各自偏好以进行联合检测。我们首先设计异构动态图卷积网络生成各自的偏好图，然后利用这些图引导基于模式和基于事实模型的联合学习以完成最终预测。在两个真实数据集上的实验表明，Pref-FEND 有效捕获模型偏好并提升了基于模式、基于事实或二者兼具的模型性能。
引用
@article{arxiv.2109.11333,
title = {Integrating Pattern- and Fact-based Fake News Detection via Model Preference Learning},
author = {Qiang Sheng and Xueyao Zhang and Juan Cao and Lei Zhong},
journal= {arXiv preprint arXiv:2109.11333},
year = {2021}
}
备注
ACM CIKM 2021 Full Paper